Factors that impact the sustainability of wait time management strategies for total \njoint replacement surgeries in canadian provinces
Bibliographic record
Abstract
Pour répondre aux exigences du gouvernement fédéral quant aux temps \nd’attente pour les chirurgies de remplacement du genou et de la hanche, les \nétablissements canadiens ont adopté des stratégies de gestion des listes d’attentes \navec des niveaux de succès variables. Notre question de recherche visait à \ncomprendre Quels facteurs ont permis de maintenir dans le temps un temps d’attente \nrépondant aux exigences du gouvernement fédéral pendant au moins 6-12 mois? \nNous avons développé un modèle possédant quatre facteurs, inspiré du \nmodèle de Parsons (1977), afin d’analyser les facteurs comprenant la gouvernance, la \nculture, les ressources, et les outils. \nTrois études de cas ont été menées. En somme, le 1er cas a été capable \nd’obtenir les exigences pendant six mois mais incapable de les maintenir, le 2e cas a \nété capable de maintenir les exigences > 18 mois et le 3e cas a été incapable \nd’atteindre les objectifs. Des documents furent recueillis et des entrevues furent \nréalisées auprès des personnes impliquées dans la stratégie. \nLes résultats indiquent que l’hôpital qui a été en mesure de maintenir le temps \nd’attente possède certaines caractéristiques: réalisation exclusive de chirurgie de \nremplacement de la hanche et du genou, présence d’un personnel motivé, non distrait \npar d’autres préoccupations et un esprit d’équipe fort. Les deux autres cas ont eu à \nfaire face à une culture médicale moins homogène et moins axés sur l’atteinte des \ncibles; des ressources dispersées et une politique intra-établissement imprécise. \nLe modèle d’hôpital factory est intéressant dans le cadre d’une chirurgie \nsurspécialisée. Toutefois, les patients sont sélectionnés pour des chirurgies simples et \ndont le risque de complication est faible. Il ne peut donc pas être retenu comme le \nmodèle durable par excellence.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".